Nat. Commun. | 复旦大学等发布透明交互式AI框架，多监测场景下实现精准睡眠呼吸暂停评估

AIX最大的创新在于其透明度。在医疗AI领域，准确率早已不是唯一的追求，“可解释性”才是模型能否走出实验室、进入临床实践的关键。AIX系统内置了一个名为“透明尺度扩散网络”（TSD-Net）的创新机制。

这项技术彻底抛弃了“黑盒”模式。当AIX分析一段生理信号时，它不再只是给出一个“是”或“否”的结论。相反，它能生成多层次的“注意力热图”，在原始信号（如呼吸气流或血氧曲线）上高亮标记出AI做出判断的关键区域。这意味着，医生可以像看专家笔记一样，直观地看到AI是如何依据“气流减少超过90%”或“血氧下降超过3%”这些临床金标准来识别一次呼吸暂停事件的。

“这建立了一种符合专家逻辑的可解释性，”该研究的作者写道。AIX使“透明的协作决策”成为可能。

AIX的另一项进展是其灵活的监测配置。它支持多种监测方案：既包括在医院使用的“黄金标准”三通道（呼吸气流、胸部运动、血氧饱和度），也包括一个极简的“家庭模式”——仅依赖一个常见的指夹式脉搏血氧仪。将睡眠呼吸暂停的筛查成本从数千美元降至了极低的水平，使其适用于大规模的早期、便捷筛查。

图1：本研究的总工作流程。该研究的AIX系统引入了透明人工智能技术，该技术实现了与专家一致的决策可视化，支持无缝的人机交互，并能在不同临床场景下实现灵活的监测配置。a，传统的多导睡眠监测涉及复杂的传感器布置，给受试者带来负担，并且依赖临床医生的人工标注，这降低了诊断效率并限制了筛查率。b，AIX系统的灵活监测配置可同时适用于家庭睡眠呼吸暂停测试中的简化多通道分析，以及作为传统多导睡眠监测替代方案的便携式家庭睡眠监测。这些多样化的输入通过一个可解释的神经网络模型和用户友好的界面设计进行处理，在诊断复核期间促进透明的、AI引导的人机交互。c，AIX系统的分析功能通过透明的尺度扩散机制展示了与专家一致的决策逻辑，同时还提供了整夜呼吸异常概率的细粒度预测、整夜睡眠呼吸暂停风险评估以及AHI（睡眠呼吸暂停低通气指数）回归建模。

透明度是否牺牲了准确性？AIX的答案是：否。研究团队在极其庞大和多样化的数据集上验证了AIX：来自7个独立队列的15807份睡眠记录，总时长超13万小时，涵盖了亚洲、非洲裔、西班牙裔和白人等不同族群。

结果是惊人的：

• 精准的AHI预测：在预测金标准指数AHI时，AIX的R平分值（决定系数）高达0.92-0.96。

• 准确的严重性分级：在四级别（正常、轻度、中度、重度）的分类任务中，准确率达到了0.74-0.81，并且99.8%的评估仅相差一个等级以内。

• 血氧模式的性能：即使在仅使用血氧的“困难模式”下，AIX用于早期筛查（AHI>5）的灵敏度也达到了0.970，其四级分类准确率也保持在0.75-0.79的稳健水平。